[人工智能]FAST角点检测python实现及基于opencv实现 （角点检测、非极大值抑制）

写在前面：

黄宁然，看你看过的算法系列，即将进入尾声。

参考文献镇楼：

[1]Deepak Geetha Viswanathan, Features from Accelerated Segment Test (FAST).
[2] Fire丶Chicken，计算机视觉（角点检测）- 3 - FAST角点检测
[3] zhaocj, Opencv2.4.9源码分析——FAST.
注：csdn发文助手提示“外链过多”，故文献链接网址请见评论区。

问题来源：

笔者的执念。

1、原理简介

FAST（Features from Accelerated Segment Test）算子最初由Rosten 和Drummond用于图像中的兴趣点检测[1]。与SUSAN类似，其同样使用圆形模板，通过判断模板中的像素与中心位置像素的偏离程度，来判定中心位置是否为角点。圆形模板区域如图1所示。

对于中心位置p，取圆形半径为3像素，画圆，并取圆周上的16个像素点。通过判断这组16个像素与中心位置p像素的偏离度，来判定中心位置是否为角点。具体的：设置阈值t，若圆周上，有连续N个点，其像素值与中心位置像素值之差大于t（或小于-t），则认为中心位置p为角点，所以有两个条件：
条件1：$I_x?I_p>t$
条件2：$I_x?I_p<?t$
N一般选择12，但N=9时，往往能取得较好的效果[2]。且从文献[3]opencv源码分析来看，取的值是9。
在计算中心位置p是否为角点时，可以首先判断p1、p9、p5、p13这四个点的情况，进行初筛。如果N=12，则p1、p9、p5、p13这四个点必须至少有3个点满足条件1（或条件2）；如果N=9，则p1、p9必须至少有1个点满足条件1（或条件2）、同时p5、p13必须至少有一个点满足条件1（或条件2）。
在初筛通过后，再对圆周上剩余的点进行检测。

2、非极大值抑制

按上述算子求解出图像的角点后，可能会出现检测出的角点相邻、小区域内有多个重复特征点的情况。为此，使用非极大值抑制，对角点进行筛选。具体的，在判断某像素位置为角点后，求解该角点的得分值，即圆周上16个点与该中心位置像素差值的绝对值总和。
在求出每个角点的得分值后，使用3*3（或5*5）的邻域，对每个角点进行筛选，即在该邻域内，仅保留得分最高的角点，其它角点删除。

3、python源码实现

#coding=utf8
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import math
import cv2
import os,sys
import scipy.ndimage
import time
import scipy

定义参数：

fast_N =9#取9时，初筛条件是第1和第9个必须至少有一个满足，同时第5和第13个也必须至少有一个满足
detect_radius = 3
row_mask = np.array([0,0,1,2,3,4,5,6,6,6,5,4,3,2,1,0])#圆周上16个点的行坐标
col_mask = np.array([3,4,5,6,6,6,5,4,3,2,1,0,0,0,1,2])#圆周上16个点的列坐标

角点检测函数：

def fast_corner_detect(img_src,t=10):
	score_arr = np.zeros(img_src.shape,dtype=np.float32)#用来存储得分情况，得分为0时，表示不是角点
	img = img_src.copy()
	img = img.astype(np.float32)
	row_s,col_s = detect_radius,detect_radius
	row_e,col_e = img_src.shape[0]-detect_radius,img.shape[1]-detect_radius
	for r in range(row_s,row_e):#遍历所有行
		for c in range(col_s,col_e):#遍历所有列
			fast_zone = img[r-detect_radius:r+detect_radius+1,c-detect_radius:c+detect_radius+1]#获取矩形区域
			data = (fast_zone[row_mask,col_mask]).astype(np.float32)#获取圆周上的16个点
			r0 = img[r,c].astype(np.float32)
			condition1 = ((data-r0)>t).astype(int)#将bool转成0-1的int
			condition2 = ((r0-data)>t ).astype(int)#将bool转成0-1的int
			# 先快速判断第1、5、9、13
			if ( (condition1[0] + condition1[8])>=1 and (condition1[4]+condition1[12])>=1 ):
				temp = condition1.copy()
				temp = np.concatenate((temp,temp[0:fast_N-1]),axis=0)#考虑到循环判断，需复制扩展
				temp_s = ''.join(str(i)for i in temp)#将0-1的int转为string
				temp_s = temp_s.replace("0"," ")#将0替换为空格，方便分割
				temp_s_arr = temp_s.split() #分割每一段含有1的部分
				temp_d_arr = np.array([len(s) for s in temp_s_arr])#计算每一段的长度，即连续满足条件的点数
				if(max(temp_d_arr)>=fast_N): #如果最大连续满足条件的点数，达到N，则判定为角点
					score = np.sum(np.abs(data-r0)) #计算得分情况
					score_arr[r,c]=score
					continue#已检测到角点，后续不再执行
			if ((condition2[0] + condition2[8]) >= 1 and (condition2[4] + condition2[12]) >= 1):
				temp = condition2.copy()
				temp = np.concatenate((temp, temp[0:fast_N - 1]), axis=0)
				temp_s = ''.join(str(i) for i in temp)
				temp_s = temp_s.replace("0", " ")
				temp_s_arr = temp_s.split()
				temp_d_arr = np.array([len(s) for s in temp_s_arr])
				if (max(temp_d_arr) >= fast_N):
					score = np.sum(np.abs(data - r0))
					score_arr[r, c] = score
	return score_arr

非极大值抑制函数：

def corner_nms(corner,kernal=3):
	out = corner.copy()
	row_s = int(kernal/2)
	row_e = out.shape[0] - int(kernal/2)
	col_s,col_e = int(kernal/2),out.shape[1] - int(kernal/2)
	for r in range(row_s,row_e):
		for c in range(col_s,col_e):
			if corner[r,c]==0: #不是可能的角点
				continue
			zone = corner[r-int(kernal/2):r+int(kernal/2)+1,c-int(kernal/2):c+int(kernal/2)+1]
			index = corner[r,c]<zone
			(x,y) = np.where(index==True)
			if len(x)>0 : #说明corner[r,c]不是最大，直接归零将其抑制
				out[r,c] = 0
			else:
				out[r,c] = 255
	return out

测试圆周像素位置函数：

def mask_test():
	temp = np.array([
		[0, 0, 16, 1, 2, 0, 0],
		[0, 15, 0, 0, 0, 3, 0],
		[14, 0, 0, 0, 0, 0, 4],
		[13, 0, 0, 0, 0, 0, 5],
		[12, 0, 0, 0, 0, 0, 6],
		[0, 11, 0, 0, 0, 7, 0],
		[0, 0, 10, 9, 8, 0, 0]
	])
	data = temp[row_mask,col_mask]
	print(data)
	return

主函数调用：

if __name__ == '__main__':
	img_src = cv2.imread('susan_input1.png',cv2.IMREAD_GRAYSCALE)
	score_arr = fast_corner_detect(img_src, t=10)
	img_show = img_src.copy()
	if(len(img_show.shape)==2):
		img_show = cv2.cvtColor(img_show,cv2.COLOR_GRAY2BGR)
	img_show[score_arr!=0] = (255,0,0)
	print(len(np.where(score_arr!=0)[0]))
	plt.figure()
	plt.title("corners-raw")
	plt.imshow(img_show, cmap=cm.gray)


	img_show2 = img_src.copy()
	if (len(img_show2.shape) == 2):
		img_show2 = cv2.cvtColor(img_show2, cv2.COLOR_GRAY2BGR)
	score_nms = corner_nms(score_arr)
	img_show2[score_nms != 0] = (255, 0, 0)
	plt.figure()
	plt.title("corners-nms")
	plt.imshow(img_show2, cmap=cm.gray)
	
	plt.show()
	print('end')

检测结果：

4、opencv实现

Opencv自带FAST算子，可以方便实现FAST的角点检测。
使用的Opencv版本：3.4.2.16.（4.4.0.42也可运行）
主要代码就几行：

fast = cv2.FastFeatureDetector_create(threshold=10,type=cv2.FastFeatureDetector_TYPE_9_16)
kps3 = fast.detect(img_src)
img_show3 = cv2.drawKeypoints(image=img_src,keypoints=kps3,outImage=None,color=(0,0,255))

在主程序中调用：

if __name__ == '__main__':
	img_src = cv2.imread('susan_input1.png',cv2.IMREAD_GRAYSCALE)
	score_arr = fast_corner_detect(img_src, t=10)
	img_show = img_src.copy()
	if(len(img_show.shape)==2):
		img_show = cv2.cvtColor(img_show,cv2.COLOR_GRAY2BGR)
	img_show[score_arr!=0] = (255,0,0)
	print(len(np.where(score_arr!=0)[0]))
	plt.figure()
	plt.title("corners-raw")
	plt.imshow(img_show, cmap=cm.gray)

	img_show2 = img_src.copy()
	if (len(img_show2.shape) == 2):
		img_show2 = cv2.cvtColor(img_show2, cv2.COLOR_GRAY2BGR)
	score_nms = corner_nms(score_arr)
	img_show2[score_nms != 0] = (255, 0, 0)
	plt.figure()
	plt.title("corners-nms")
	plt.imshow(img_show2, cmap=cm.gray)

	fast = cv2.FastFeatureDetector_create(threshold=10,type=cv2.FastFeatureDetector_TYPE_9_16)
	fast.setNonmaxSuppression(False)
	kps3 = fast.detect(img_src)
	print(len(kps3))
	img_show3 = cv2.drawKeypoints(image=img_src,keypoints=kps3,outImage=None,color=(0,0,255))
	plt.figure()
	plt.title("corners-opencv-raw")
	plt.imshow(img_show3, cmap=cm.gray)

	fast.setNonmaxSuppression(True)
	kps4 = fast.detect(img_src)
	img4 = cv2.drawKeypoints(image=img_src, keypoints=kps4, outImage=None, color=(0, 0, 255))
	plt.figure()
	plt.title("corners-opencv-nms")
	plt.imshow(img4, cmap=cm.gray)

	plt.show()

	print('end')

检测结果：


在不使用非极大值抑制时，自行编写的代码与opencv检测的角点个数相同；opencv在开启非极大值抑制后，可能参数没有设置好，导致过抑制。不知nms的参数如何设置。但用其它图片测试时，开启nms，检测的角点尚可。

5、源码下载

https://download.csdn.net/download/xiaohuolong1827/85726475

6、其它

已是6月下旬，黄宁然，你怎么还没w。